本文關(guān)鍵詞：基于ARIMA-LSSVM混合模型的股指預測研究，由筆耕文化傳播整理發(fā)布。

【摘要】：在許多領(lǐng)域,對時間序列的研究顯得十分重要,提高預測精度能夠為決策者提供有價值的參考。從時間序列分析的角度對股指進行預測研究能夠幫助投資者制定投資策略,獲得穩(wěn)定收益。在傳統(tǒng)的時間序列模型中,ARIMA模型一直是最廣泛使用的線性模型之一。但是,ARIMA模型不能捕捉時間序列中的非線性模式。SVM是以VC維理論和結(jié)構(gòu)風險最小化原則為基礎(chǔ),在統(tǒng)計學習理論基礎(chǔ)上發(fā)展而來的一種新的機器學習方法。它已成功地解決許多非線性回歸估計問題。LSSVM對標準SVM進行改進,將標準SVM求解中的二次規(guī)劃問題轉(zhuǎn)化為相對簡單的線性問題,減少了運算量,提高了模型求解的速度。整合不同的模型是提高預測精度的有效途徑,特別是當組合中的模型表現(xiàn)出很大的差異性時。上證180股指是我國證券市場的主要指數(shù)之一。股指時間序列受多種因素的影響,其中的線性成分和非線性成分復雜地交織在一起。本文對上證180股指序列進行ARIMA建模之后,基于Khashei的建模思想,并結(jié)合上證180股指序列的特征,構(gòu)建一種新型的融合ARIMA和LSSVM的混合模型對股指收盤價進行預測。將本文構(gòu)建的ARIMA-LSSVM混合模型與單一的模型、傳統(tǒng)的混合模型、BP神經(jīng)網(wǎng)絡(luò)、ARIMA-BP混合模型的預測效果進行對比分析,利用均方誤差根(RMSE)和平均絕對百分比誤差(MAPE)兩種指標對不同模型預測精度進行度量,RMSE度量實際值與預測值之間的絕對誤差,MAPE度量實際值與預測值之間的相對誤差。實證結(jié)果表明,本文構(gòu)建的ARIMA-LSSVM混合模型的預測性能比單一的模型、傳統(tǒng)的混合模型以及BP神經(jīng)網(wǎng)絡(luò)、ARIMA-BP混合模型優(yōu)秀。另外,傳統(tǒng)的混合模型、ARIMA-BP混合模型的預測精度有時也低于單一的模型,說明并不是所有的混合模型的預測性能都高于單一的模型,只有將單一的模型進行適當?shù)亟M合,得到的混合模型才會有更好的預測表現(xiàn)。
【關(guān)鍵詞】：時間序列預測 ARIMA模型 LSSVM 混合模型
【學位授予單位】：哈爾濱工業(yè)大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：F724.5;F224
【目錄】：

• 摘要4-5
• Abstract5-8
• 第1章 緒論8-17
• 1.1 研究背景與問題提出8-10
• 1.1.1 研究背景8-9
• 1.1.2 問題提出9-10
• 1.2 研究目的與意義10
• 1.3 國內(nèi)外研究現(xiàn)狀10-15
• 1.3.1 國外研究現(xiàn)狀10-12
• 1.3.2 國內(nèi)研究現(xiàn)狀12-14
• 1.3.3 國內(nèi)外文獻評述14-15
• 1.4 研究內(nèi)容與研究方法15-17
• 1.4.1 研究內(nèi)容15
• 1.4.2 研究方法15-17
• 第2章 股指預測的特點及預測模型17-30
• 2.1 股指預測的特點17-19
• 2.1.1 股指波動的基本特征17-18
• 2.1.2 股指預測方法及特點18-19
• 2.2 單一預測模型19-28
• 2.2.1 ARIMA模型理論19-21
• 2.2.2 LSSVM模型理論21-26
• 2.2.3 神經(jīng)網(wǎng)絡(luò)模型理論26-28
• 2.3 混合模型構(gòu)建思想28-29
• 2.4 本章小結(jié)29-30
• 第3章 數(shù)據(jù)的預處理及混合模型的構(gòu)建30-43
• 3.1 數(shù)據(jù)選取與說明30-31
• 3.2 數(shù)據(jù)的預處理31-40
• 3.2.1 股指序列平穩(wěn)性檢驗31-33
• 3.2.2 股指序列平穩(wěn)化處理33-36
• 3.2.3 股指序列相對最優(yōu)模型的識別36-40
• 3.3 ARIMA-LSSVM混合模型的構(gòu)建40-42
• 3.4 本章小結(jié)42-43
• 第4章 混合模型股指預測實證研究43-59
• 4.1 預測效果評價指標的選取43
• 4.2 ARIMA模型預測實證研究43-45
• 4.3 LSSVM模型預測實證研究45-50
• 4.3.1 LSSVM模型的構(gòu)建45-49
• 4.3.2 LSSVM模型股指預測49-50
• 4.4 神經(jīng)網(wǎng)絡(luò)預測實證研究50-53
• 4.4.1 BP神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建50-51
• 4.4.2 BP神經(jīng)網(wǎng)絡(luò)股指預測51-53
• 4.5 ARIMA-LSSVM混合模型預測實證研究53-57
• 4.5.1 混合模型股指預測53-55
• 4.5.2 不同模型預測效果比較分析55-57
• 4.6 本章小節(jié)57-59
• 結(jié)論59-61
• 參考文獻61-67
• 攻讀碩士學位期間發(fā)表的學術(shù)論文67-69
• 致謝69

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前5條

1 戴浪;黃守道;黃科元;葉盛;;風電場風速的神經(jīng)網(wǎng)絡(luò)組合預測模型[J];電力系統(tǒng)及其自動化學報;2011年04期

2 賀鳳羊;劉建平;;如何對中國CPI進行季節(jié)調(diào)整——基于X-12-ARIMA方法的改進[J];數(shù)量經(jīng)濟技術(shù)經(jīng)濟研究;2011年05期

3 熊志斌;;基于ARIMA與神經(jīng)網(wǎng)絡(luò)集成的GDP時間序列預測研究[J];數(shù)理統(tǒng)計與管理;2011年02期

4 王平;師青;;基于支持向量機回歸的房地產(chǎn)單指標預測[J];統(tǒng)計與決策;2011年21期

5 朱顏杰;樊順厚;雷懷英;;基于SARIMA模型的居民消費價格指數(shù)的預測[J];統(tǒng)計與決策;2014年04期

  本文關(guān)鍵詞：基于ARIMA-LSSVM混合模型的股指預測研究，，由筆耕文化傳播整理發(fā)布。

本文編號：325815